Pendekatan Konteks Pengenalan Untuk Perkembangan Pelacakan Konsep

Medis Dalam Catatan Medis Elektronik

ANALISIS JURNAL

Oleh:
DESI PUSPITA SARY
15420008
ERY SANJAYA
15420014
LENI HERLINA
15420021
LUSI YULIYANTI
15420024
SELAMET KUNTORO
15420041
ENTINAYATI
15420085
AHMAD AMSORI
15420142
RINO AGUSTIAN PRAJA 15420154
RITA IRAWATI
15420038
KELAS MPK A

PROGRAM STUDI MAGISTER KESEHATAN MASYARAKAT

FAKULTAS ILMU KESEHATAN MASYARAKAT
UNIVERSITAS MALAHATI
TAHUN 2016

Pendekatan Konteks Pengenalan Untuk Perkembangan Pelacakan Konsep Medis Dalam

Catatan Medis Elektronik
Catatan medis elektronik (EMRs) untuk pasien diabetes berisi informasi tentang faktorfaktor risiko penyakit jantung seperti tekanan darah tinggi, kadar kolesterol, dan status merokok.
Penemuan faktor risiko dijelaskan dengan kemajuan pelacakan dari waktu ke waktu dapat
mendukung tenaga medis dalam membuat keputusan klinis, serta memfasilitasi pemodelan data
dan penelitian biomedis. Mengetahui penyakit pasien yang spesifik penting untuk mendorong
kemajuan praktik berbasis bukti, dan juga dapat membantu meningkatkan obat-obatan dan
perawatan pribadi. Salah satu pendekatan umum untuk melacak perkembangan penyakit dan
faktor risiko yang dijelaskan dalam EMRs adalah pertama untuk mengenali semua ekspresi
temporal, dan kemudian menetapkan masing-masing dengan konsep sasaran medis terdekat.
Namun, metode ini mungkin tidak selalu memberikan asosiasi yang benar. Dalam terang ini,
pekerjaan ini memperkenalkan pendekatan konteks-sadar untuk menetapkan atribut waktu diakui
faktor risiko dengan merekonstruksi konteks yang mengandung ekspresi temporal yang lebih
dapat

diandalkan.
Penyakit jantung adalah penyebab utama kematian di Amerika Serikat, dan penyakit

jantung koroner menyumbang lebih dari 60% dari semua insiden penyakit jantung. Selain itu,
peristiwa serangan jantung dapat mengakibatkan beberapa komplikasi seperti gagal jantung,
penyakit jantung katup dan aritmia. Untuk mencegah kejadian miokard infark, pengurangan
risiko yang tepat diketahui berhubungan dengan penyakit jantung koroner termasuk merokok,
hipertensi, hiperlipidemia, obesitas, dan diabetes mellitus dan kemajuan pelacakan sangat
penting. Untuk mempromosikan identifikasi informasi yang relevan dengan risiko penyakit
jantung dan melacak perkembangan penyakit yang didokumentasikan dalam catatan medis

elektronik (EMRs), ini mengembangkan kerja sistem dengan menyebutkan konsep medis
termasuk item berikut: nama penyakit diabetes dan penyakit arteri koroner (CAD); tes terkait
seperti hemoglobin terglikasi (HbA1C) dan hasil tes; peristiwa dan gejala CAD; dan pengukuran
yang berkaitan dengan diabetes, hiperlipidemia, hipertensi, dan obesitas termasuk gula darah /
tekanan, kadar kolesterol, low-density lipoprotein (LDL) level, massa tubuh Indeks (BMI), dan
lingkar pinggang.(1)
Bahan-Bahan Dan Metode-Metode
sistem NTTMUNSW
Diagram NTTMUNSW merupakan sistem karya bersama Universitas Nasional Taitung (NTTU),
Taipei Medical University (TMU), Universitas New South Wales (UNSW) dan Taiwan
Academia Sinica.

NTTMUNSW diolah

sebagai pengenalan konsep medis untuk

mengidentifikasi penyakit sesuai faktor risiko dan obat-obatan. Selanjutnya, Komponen atributwaktu assigner menggunakan contextaware diusulkan algoritma dengan dua parameter berbagai
konteks yang berbeda untuk menentukan atribut waktu relatif dari konsep medis. Setting
parameter rentang menentukan ekspansi maksimal algoritma.(1)
Pengembangan Pengenal Konsep Medis (2)(3)(4)
-

Pengenalan konsep
Pengenalan faktor risiko lain
Pengenalan obat

Waktu-atribut assign(5)(4)
-

Konteks-sadar waktu atribut tugas

petunjuk kontekstual untuk atribut-waktu tugas

Klasifikasi status sejarah keluarga (6)

Klasifikasi status merokok (7)
Data set(7)

Hasil dan Pembahasan (1)

Pipa berbasis sistem dasar
Karya ini menerapkan sistem dasar untuk mengeksplorasi kinerja dari sistem yang ada dalam
melacak perkembangan faktor risiko penyakit jantung. Analisis klinis Teks Apache dan
Pengetahuan Sistem Ekstraksi (cTAKES) v3.1.1 dengan UMLs 2014AA sebagai sistem dasar
untuk mengenali obat-obatan dan konsep. Komponen post-processing dikembangkan dan
digunakan untuk menyaring konsep medis yang tidak terkait dengan faktor risiko penyakit
jantung. Komponen post processing juga memetakan kategori obat melalui langkah-langkah
normalisasi yang sama dijelaskan dalam '' Obat Paten ". untuk laboratorium nilai faktor risiko
yang tidak dapat ditangkap oleh cTAKES, seperti BP dan HbA1C, bahasa Apache Ruta
digunakan untuk mendefinisikan pola yang dapat mengenali nilai-nilainya.(1)
Hasil Keseluruhan
Kinerja kami tiga kali diajukan selama partisipasi trek dan statistik agregat dari 49 pengajuan
dari 20 tim di trek ini. Hasil terbaik dari sistem NTTMUNSW, yang peringkat 7 dari semua 20
tim, mencapai keseluruhan mikro F-skor (F) dari 0,8973 pada tes set, mengalahkan median dan
rata-rata F-skor dengan 0.025 dan 0,082, masing-masing.(1)

Hasil Waktu Atribut Tugas Perbandingan

Perbandingan kinerja antara tiga waktu atribut pendekatan tugas mengenai lima konsep utama
medis. Yang pertama adalah hasil dari metode Bayes naif digunakan oleh sistem dasar berbasis
pipa. Dua lainnya adalah hasil berdasarkan Run 1 dengan atau tanpa algoritma konteks-sadar
diusulkan. Konfigurasi metode w/o konteks penenalan dilaksanakan dengan memilih informasi

sementara yang terdekat dengan Konsep target sebagai ekspresi sementara terkait dan
membandingkan deskripsi dengan DCT.(1)
Kesimpulan
Evaluasi pada tes i2b2 set menunjukkan kemanjuran pendekatan yang diusulkan, yang dicapai Fskor 0,897.(1)

DAFTAR PUSTAKA
1.

Chang NW, Dai HJ, Jonnagaddala J, Chen CW, Tsai RTH, Hsu WL. A context-aware
approach for progression tracking of medical concepts in electronic medical records. J
Biomed Inform. Elsevier Inc.; 2015;58:1507.

2.

J. Jonnagaddala, S.-T. Liaw, P. Rayb, M. Kumarc H-JD. No Title. TMUNSW Identif

Disord Norm to SNOMED-CT Terminol unstructured Clin notes, 9th Int Work Semant
Eval. 2015;

3.

H.J. Dai, P.T. Lai, Y.C. Chang RTT. Enhancing of chemical compound and drug name
recognition using representative tag scheme and fine-grained tokenization, J. Cheminform.
7 (Suppl. 1). 2015;

4.

H.-J. Dai, S. Syed-Abdul, C.-W. Chen C-CW. No Title. Recognit Eval Clin Sect Head Clin
Doc using token-based Formul with Cond random fields BioMed Res Int. 2015;

5.

L. Smith, T. Rindflesch WJW. No Title. MedPost a part-of-speech tagger Biomed text,

Bioinforma 20. 2004;

6.

Y.C. Chang, H.J. Dai, J.C. Wu, J.M. Chen, R.T. Tsai WLH. No Title. TEMPTING Syst a
hybrid method rule Mach Learn temporal Relat Extr patient Disch Summ J Biomed
Inform 46. 2013;

7.

A. Stubbs U. No Title. Annot Risk Factors Hear Dis Clin Narrat Diabet Patients, 58S.
2015;